Una familia de resultados límite que afirman que sumas (o medias) apropiadamente normalizadas de muchas variables aleatorias independientes (o débilmente dependientes) con varianza finita convergen en distribución hacia una ley gaussiana (normal) cuando el número de términos tiende a infinito, bajo condiciones de regularidad moderadas (por ejemplo, condiciones de Lindeberg o Lyapunov).

Principio

La idea organizadora es la universalidad emergente: el azar microscópico con segundo momento finito, tras centrar y escalar, pierde rasgos distributivos detallados y tiende hacia el atractor gaussiano universal determinado únicamente por la media y la varianza.

Demostración

Para variables iid con media μ y varianza σ^2, la suma S_n centrada por nμ y escalada por √nσ converge en distribución a N(0,1); numéricamente esto explica por qué las medias muestrales suelen parecer aproximadamente normales aun cuando las variables individuales no lo sean.

Aplicación incorrecta

Usar el TCL para justificar aproximaciones gaussianas cuando la varianza es infinita, existen colas pesadas (aplican leyes estables) o la dependencia es fuerte y viola condiciones de mezcla conduce a conclusiones engañosas sobre las colas y el riesgo.

Consecuencia

El TCL justifica aproximaciones normales en estadística y modelado aplicado, sustenta intervalos de confianza y pruebas para muestras grandes y explica la ubicuidad de fluctuaciones gaussianas en muchos fenómenos agregados.

Inversión

La perspectiva inversa subraya regímenes donde el TCL falla: sumas de variables con colas pesadas convergen a leyes estables no gaussianas, y la dependencia o eventos extremos pueden dominar la suma, invalidando la aproximación gaussiana.

Límite

Requiere normalización apropiada y segundo momento finito (o condiciones de Lindeberg); las tasas de convergencia, correcciones para muestras finitas (expansiones de Edgeworth) y extensiones a casos dependientes/heterogéneos deben verificarse caso por caso; el TCL no da probabilidades de cola precisas para n finito.

Tensión semántica

Existe tensión entre la normalidad asintótica del TCL y las necesidades prácticas de precisión en muestras finitas y evaluación de riesgo de cola; a veces se confía demasiado en el TCL para n moderado o se ignoran condiciones como la finitud de momentos y la estructura de dependencia.

Síntesis

El Teorema Del Límite Central formaliza cómo la agregación y el escalado producen un comportamiento gaussiano universal a partir de muchas pequeñas contribuciones independientes con varianza finita; su fuerza está en la universalidad, pero su aplicabilidad requiere comprobar momentos y dependencias y, a veces, refinamientos para muestras finitas.